行人與騎行人檢測(cè)是先進(jìn)輔助駕駛系統(tǒng)中不可或缺的一部分。通過(guò)對(duì)行人及騎行人進(jìn)行檢測(cè),給汽車(chē)提供預(yù)判,可在很大程度上降低交通事故的發(fā)生率,減少人員傷亡程度,對(duì)人類(lèi)的生命安全和社會(huì)都具有深遠(yuǎn)影響�，F(xiàn)有的算法多將行人與騎行人分開(kāi)處理,很少有進(jìn)行行人與騎行人同時(shí)檢測(cè)的算法,在實(shí)際應(yīng)用時(shí)會(huì)導(dǎo)致硬件資源的浪費(fèi)和時(shí)間的浪費(fèi)。因此,本文旨在提出一種行人與騎行人同時(shí)檢測(cè)算法。行人與騎行人檢測(cè),是目標(biāo)檢測(cè)任務(wù)的一個(gè)應(yīng)用任務(wù)。盡管在某些領(lǐng)域內(nèi),YOLO等經(jīng)典的通用目標(biāo)檢測(cè)算法可以快速準(zhǔn)確地進(jìn)行目標(biāo)檢測(cè),但在進(jìn)行行人與騎行人檢測(cè)時(shí),需要針對(duì)具體問(wèn)題進(jìn)行具體分析。為給系統(tǒng)提供清晰而廣闊的行車(chē)視野,用于行人與騎行人檢測(cè)的圖像通常具有高分辨率。在真實(shí)行車(chē)環(huán)境中,道路環(huán)境復(fù)雜多變,目標(biāo)個(gè)體差異大、尺寸差距大,這給行人與騎行人檢測(cè)帶來(lái)了困難,傳統(tǒng)的通用檢測(cè)算法難以適應(yīng)這些問(wèn)題。針對(duì)以上問(wèn)題,本文建立了一種行人與騎行人檢測(cè)框架,對(duì)行人及騎行人檢測(cè)過(guò)程中涉及的相關(guān)技術(shù)進(jìn)行研究。該檢測(cè)框架能夠?qū)崿F(xiàn)行人與騎行人同時(shí)檢測(cè),在區(qū)分前景與背景的基礎(chǔ)上,區(qū)分這兩類(lèi)目標(biāo)。本文提出的行人與騎行人檢測(cè)框架包括三部分:感興趣區(qū)域提取算法、檢測(cè)算... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２?ＲｅｓＮｅｔｌ８中殘差塊結(jié)構(gòu)圖［３］??

第二章行人與騎行人檢測(cè)基礎(chǔ)理論與技術(shù)??的這些特征尺寸各不相同，所以對(duì)這些特征圖進(jìn)行ＲＯ丨池化操作，即可得到固??定長(zhǎng)度的輸出，將這個(gè)固定長(zhǎng)度的特征圖送入分類(lèi)和回歸網(wǎng)絡(luò)，進(jìn)行最終目標(biāo)??的分類(lèi)和回歸操作，得到目標(biāo)在圖像中的精確位置。??Ｈ?ＲＰＮ?Ｈ候選區(qū)域卜這?—Ｉ?＞?＾?分類(lèi)????????嘗一？?ｔ?＼??特征提取，＾?ｌＵ??圖?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?結(jié)構(gòu)圖［７］??特征圖｜?』個(gè)＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??沒(méi)分?jǐn)?shù)?｜狀偏移鑿??圖２－５?ＲＰＮ結(jié)構(gòu)圖［７］??近年來(lái)，在ＦａｓｔｅｒＲ－ＣＮＮ的基礎(chǔ)上，許多研宂者提出了一些針對(duì)性的改善??意見(jiàn)。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取網(wǎng)絡(luò)，ＦＰＮ［６１啲提出使得ＲＰＮ網(wǎng)絡(luò)更??準(zhǔn)確，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??圖２－６?ＨＲＮｅｔ特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ為基礎(chǔ)，在其上做出了改進(jìn)。在經(jīng)過(guò)卷積、池??化等一系列操作后，特征圖的分辨率會(huì)降低，ＦＰＮ將低分辨率的特征圖上采樣??與高分辨率的圖像進(jìn)行融合，在多個(gè)尺度上進(jìn)行檢測(cè)。ＨＲＮｅｔ與之不同，其在??提取特征的過(guò)程中始終保持高分辨率的特征圖，通過(guò)在高分辨率特征主網(wǎng)絡(luò)中??１５??

第二章行人與騎行人檢測(cè)基礎(chǔ)理論與技術(shù)??的這些特征尺寸各不相同，所以對(duì)這些特征圖進(jìn)行ＲＯ丨池化操作，即可得到固??定長(zhǎng)度的輸出，將這個(gè)固定長(zhǎng)度的特征圖送入分類(lèi)和回歸網(wǎng)絡(luò)，進(jìn)行最終目標(biāo)??的分類(lèi)和回歸操作，得到目標(biāo)在圖像中的精確位置。??Ｈ?ＲＰＮ?Ｈ候選區(qū)域卜這?—Ｉ?＞?＾?分類(lèi)????????嘗一？?ｔ?＼??特征提取，＾?ｌＵ??圖?２－４?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?結(jié)構(gòu)圖［７］??特征圖｜?』個(gè)＇描??３ｘ３Ｃｏｎｖ?｜?ｐｊ?！?〇?；??ｗ?！?°?；??ｌｘｌＣｏｎｖ?ｌｘｌ?Ｃｏｎｖ??■，［；」＇、?＼?：；??沒(méi)分?jǐn)?shù)?｜狀偏移鑿??圖２－５?ＲＰＮ結(jié)構(gòu)圖［７］??近年來(lái)，在ＦａｓｔｅｒＲ－ＣＮＮ的基礎(chǔ)上，許多研宂者提出了一些針對(duì)性的改善??意見(jiàn)。例如，ＨｙｐｅｒＮｅｔ【５９＾善了特征提取網(wǎng)絡(luò)，ＦＰＮ［６１啲提出使得ＲＰＮ網(wǎng)絡(luò)更??準(zhǔn)確，Ｍａｓｋ?Ｒ－ＣＮＮ［６（＾的提出改善了?ＲＯＩ池化。??ｓｔａｇｅ?１?ｓｔａｇｅ２?ｓｔａｇｅ３?ｓｔａｇｅ４??＿＿＿＿＿＿＿??＿＿＿＿＿?？ｌ??４４４４４?￥??圖２－６?ＨＲＮｅｔ特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖丨５｜］??ＨＲＮｅｔ也是以ＦａｓｔｅｒＲ－ＣＮＮ為基礎(chǔ)，在其上做出了改進(jìn)。在經(jīng)過(guò)卷積、池??化等一系列操作后，特征圖的分辨率會(huì)降低，ＦＰＮ將低分辨率的特征圖上采樣??與高分辨率的圖像進(jìn)行融合，在多個(gè)尺度上進(jìn)行檢測(cè)。ＨＲＮｅｔ與之不同，其在??提取特征的過(guò)程中始終保持高分辨率的特征圖，通過(guò)在高分辨率特征主網(wǎng)絡(luò)中??１５??

【參考文獻(xiàn)】：
期刊論文
[1]基于候選區(qū)域選擇及深度網(wǎng)絡(luò)模型的騎車(chē)人識(shí)別[J]. 李曉飛,許慶,熊輝,王建強(qiáng),李克強(qiáng).  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)

博士論文
[1]先進(jìn)駕駛員輔助駕駛系統(tǒng)關(guān)鍵技術(shù)研究[D]. 徐洋.重慶大學(xué) 2017
[2]基于深度學(xué)習(xí)的行人及騎車(chē)人車(chē)載圖像識(shí)別方法[D]. 李曉飛.清華大學(xué) 2016

碩士論文
[1]基于機(jī)器視覺(jué)的汽車(chē)先進(jìn)駕駛輔助系統(tǒng)中行人檢測(cè)技術(shù)研究[D]. 王永宏.浙江大學(xué) 2019



本文編號(hào)：3115713